Diktat Matakuliah Kecerdasan Buatan (1)

DIKTAT MATA KULIAH

K ECERDASAN BU AT AN

Oleh:

Ir. Balza Achmad, M.Sc.E.

Jurusan Teknik Fisika
Fakultas Teknik
Universitas Gadjah Mada
Yogyakarta
© 2006

Diktat Mata Kuliah Kecerdasan Buatan

BAB I.

Ir. Balza Achmad, M.Sc.E.

KECERDASAN BUATAN

A. Pendahuluan
Di masa kini, Kecerdasan Buatan (Artificial Intelligence, AI) telah menjadi wacana
umum yang sangat penting dan jamak dijumpai. Namun masih banyak menyisakan
pertanyaan skeptis tentang ‘mesin berfikir’: “Betulkah sebuah mesin dapat benar-benar
berfikir dengan dirinya sendiri?”, atau “Jika benar-benar dapat berfikir sendiri, apakah
proses berfikirnya sama dengan kita?”, dan “Seberapa handal?”.

1. Sejarah Kecerdasan Buatan
Di awal abad 20, seorang penemu Spanyol, Torres y Quevedo, membuat sebuah
mesin yang dapat men’skak-mat’ raja lawannya dengan sebuah ratu dan raja.
Perkembangan secara sistematis kemudian dimulai segera setelah diketemukannya
komputer digital. Artikel ilmiah pertama tentang Kecerdasan Buatan ditulis oleh Alan
Turing pada tahun 1950, dan kelompok riset pertama dibentuk tahun 1954 di Carnegie
Mellon University oleh Allen Newell and Herbert Simon. Namun bidang Kecerdasan
Buatan baru dianggap sebagai bidang tersendiri di konferensi Dartmouth tahun 1956, di
mana 10 peneliti muda memimpikan mempergunakan komputer untuk memodelkan
bagaimana cara berfikir manusia. Hipotesis mereka adalah: “Mekanisme berfikir manusia
dapat secara tepat dimodelkan dan disimulasikan pada komputer digital”, dan ini yang
menjadi landasan dasar Kecerdasan Buatan.

2. Definisi Kecerdasan Buatan
Tidak ada kesepakatan mengenai definisi Kecerdasan Buatan, di antaranya adalah:
a. Sebuah studi tentang bagaimana membuat komputer mengerjakan sesuatu yang
dapat dikerjakan manusia (Rich, 1991)
b. Cabang ilmu komputer yang mempelajari otomatisasi tingkah laku cerdas
(Setiawan, 1993)
c. Suatu perilaku sebuah mesin yang jika dikerjakan oleh manusia akan disebut
cerdas (Turing, et. al, 1996)
Kebanyakan ahli setuju bahwa Kecerdasan Buatan berhubungan dengan 2 ide dasar.
Pertama, menyangkut studi proses berfikir manusia, dan kedua, berhubungan dengan
merepresentasikan proses tersebut melalui mesin (komputer, robot, dll)
1

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

Kemampuan untuk problem solving adalah salah satu cara untuk mengukur
kecerdasan dalam berbagai konteks. Terlihat di sini bahwa mesin cerdas akan diragukan

untuk dapat melayani keperluan khusus jika tidak mampu menangani permasalahan
remeh/kecil yang biasa dikerjakan orang secara rutin. Terdapat beberapa alasan untuk
memodelkan performa manusia dalam hal ini:
a. Untuk menguji teori psikologis dari performa manusia
b. Untuk membuat komputer dapat memahami penalaran (reasoning) manusia
c. Untuk membuat manusia dapat memahami penalaran komputer
d. Untuk mengeksploitasi pengetahuan apa yang dapat diambil dari manusia
Menurut Winston dan Prendergast (1984), tujuan dari Kecerdasan Buatan adalah:
a. Membuat mesin menjadi lebih pintar.
b. Memahami apakah kecerdasan (intelligence) itu.
c. Membuat mesin menjadi lebih berguna.

3. Kecerdasan
Dari kamus, arti kecerdasan adalah: kemampuan untuk mengerti/memahami (The
faculty of understanding). Perilaku cerdas dapat ditandai dengan:
a. Belajar atau mengerti dari pengalaman
b. Memecahkan hal yang bersifat mendua atau kontradiktif
c. Merespon situasi baru dengan cepat (fleksibel)
d. Menggunakan alasan untuk memecahkan problem secara efektif
e. Berurusan dengan situasi yang membingungkan

f. Memahami dengan cara biasa/rasional
g. Menerapkan pengetahuan untuk memanipulasi lingkungan
h. Mengenali elemen penting pada suatu situasi
Sebuah ujian yang dapat dilakukan untuk menentukan apakah sebuah komputer/
mesin menunjukkan perilaku cerdas didesain oleh Alan Turing. Tes Turing menyatakan
sebuah mesin dikatakan pintar hanya apabila seorang pewawancara (manusia) yang
berbicara dengan orang lain dan mesin yang dua-duanya tidak terlihat olehnya, tidak
mampu menentukan mana yang manusia dan mana yang mesin, meskipun dia telah
berulang-ulang melontarkan pertanyaan yang sama.

2

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

4. Perbandingan AI dengan program komputer konvensional
Program komputer konvensional prosesnya berbasis algoritma, yakni formula
matematis atau prosedur sekuensial yang mengarah kepada suatu solusi. Algoritma tersebut
dikonversi ke program komputer yang memberitahu komputer secara pasti instruksi apa

yang harus dikerjakan. Algoritma yang dipakai kemudian menggunakan data seperti angka,
huruf, atau kata untuk menyelesaikan masalah.
Perangkat lunak AI berbasis representasi serta manipulasi simbolik. Di sini simbol
tersebut berupa huruf, kata, atau angka yang merepresentasikan obyek, proses dan
hubungan keduanya. Sebuah obyek bisa jadi seorang manusia, benda, pikiran, konsep,
kejadian, atau pernyataan suatu fakta. Menggunakan simbol, kita dapat menciptakan basis
pengetahuan yang berisi fakta, konsep, dan hubungan di antara keduanya. Kemudian
beberapa proses dapat digunakan untuk memanipulasi simbol tersebut untuk menghasilkan
nasehat atau rekomendasi untuk penyelesaian suatu masalah. Perbedaan dasar antara AI
dengan program komputer konvensional diberikan dalam Tabel I-1.
Tabel I-1. Perbandingan antara AI dan Program Konvensional
Aspek

AI

Pemrosesan
Input
Pendekatan pencarian
Penjelasan/eksplanasi
Fokus

Pemeliharaan & peningkatan
Kemampuan berpikir secara logis

Sebagian besar simbolik
Tidak harus lengkap
Sebagian besar heuristik
Tersedia
Pengetahuan
Relatif mudah
Ada

Program konvensional
Algoritmik
Harus lengkap
Algoritma
Biasanya tidak tersedia
Data
Biasanya sulit
Tidak ada

B. Cabang Kecerdasan Buatan
Pencarian. Program AI seringkali harus mengevaluasi kemungkinan yang
jumlahnya banyak sekali, misalnya kemungkinan langkah dalam permainan catur atau
penyimpulan dari program untuk membuktikan suatu teori.
Pengenalan Pola.
Representasi, yakni bagaimana merepresentasikan/menuliskan fakta-fakta yang ada
ke dalam simbul-simbul atau bahasa logika matematis.
Inferensi.
3

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

Pengetahuan dan penalaran yang masuk akal (common sense knowledge and
reasoning).
Belajar dari pengalaman.
Perencanaan. Program perencanaan bermula dari fakta-fakta umum (terutama fakta
mengenai efek dari suatu aksi), fakta tentang situasi yang khusus, dan suatu pernyataan
tentang tujuan. Dari sini kemudian dibuat sebuah strategi untuk mencapai tujuan tersebut.

Secara umum, biasanya strategi tersebut berupa urut-urutan aksi.
Epistemologi, yakni studi tentang sumber, sifat, dan keterbatasan pengetahuan yang
digunakan untuk pemecahan masalah.
Ontologi, ilmu tentang keberadaan dan realitas.
Heuristik, yaitu suatu cara atau teknik untuk mencoba menemukan suatu benda/ide.

C. Bidang Aplikasi Kecerdasan Buatan
Penerapan Kecerdasan Buatan meliputi berbagai bidang seperti ditunjukkan pada
bagian akar pohon AI dalam Gambar I-1, antara lain: Bahasa/linguistik, Psikologi, Filsafat,
Teknik Elektro, Ilmu Komputer, dan Ilmu Manajemen. Sedangkan sistem cerdas yang
banyak dikembangkan saat ini adalah:
Sistem Pakar (Expert Systemi), yaitu program konsultasi (advisory) yang mencoba
menirukan proses penalaran seorang pakar/ahli dalam memecahkan masalah yang rumit.
Sistem Pakar merupakan aplikasi AI yang paling banyak. Lebih detil tentang Sistem Pakar
akan diberikan dalam bab berikutnya.
Pemrosesan Bahasa Alami (Natural Language Processing), yang memberi
kemampuan pengguna komputer untuk berkomunikasi dengan komputer dalam bahasa
mereka sendiri (bahasa manusia). Sehingga komunikasi dapat dilakukan dengan cara
percakapan alih-alih menggunakan perintah yang biasa digunakan dalam bahasa komputer
biasa. Bidang ini dibagi 2 lagi:

a. Pemahaman bahasa alami, yang mempelajari metode yang memungkinkan
komputer mengerti perintah yang diberikan dalam bahasa manusia biasa.
Dengan kata lain, komputer dapat memahami manusia.
b. Pembangkitan bahasa alami, sering disebut juga sintesa suara, yang membuat
komputer dapat membangkitkan bahasa manusia biasa sehingga manusia dapat
memahami komputer secara mudah.

4

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

Pemrosesan
Bahasa Alami
Pemahaman
Ucapan

Intelligent
Tutoring

Pemrograman
Otomatis

Robotika

Komputer
Visi

Sistem
Pakar

Logika
Samar/Fuzzy
Komputasi
Neural

ABCDEFGH-

Psikolinguistik
Sosiolinguistik

Linguistik komputasi
Sistem adaptif
Psikologi kognitif
Filsafat
Filsafat bahasa
Logika

Pohon
AI

IJKLMNOP-

Robotika
Pengolahan citra
Pengenalan pola
Menejemen
Matematika & statistik
Riset operasi
Sistem informasi manajemen
Biologi
Ilmu Komputer

Linguistik

Psikologi

Filsafat

Teknik Elektro

Ilmu Manajemen

Gambar I-1. Pohon Kecerdasan Buatan dan aplikasi utamanya
Pemahaman Ucapan/Suara (Speech/Voice Understanding), adalah teknik agar

komputer dapat mengenali dan memahami bahasa ucapan. Proses ini mengijinkan
seseorang berkomunikasi dengan komputer dengan cara berbicara kepadanya. Istilah
“pengenalan suara” mengandung arti bahwa tujuan utamanya adalah mengenai kata yang
diucapkan tanpa harus tahu artinya, di mana bagian itu merupakan tugas “pemahaman
suara”. Secara umum prosesnya adalah usaha untuk menerjemahkan apa yang diucapkan
seorang manusia menjadi kata-kata atau kalimat yang dapat dimengerti oleh komputer.
Sistem Sensor dan Robotika. Sistem sensor, seperti sistem visi dan pencitraan,

serta sistem pengolahan sinyal, merupakan bagian dari robotika. Sebuah robot, yaitu
perangkat elektromekanik yang diprogram untuk melakukan tugas manual, tidak semuanya
merupakan bagian dari AI. Robot yang hanya melakukan aksi yang telah diprogramkan
dikatakan sebagai robot bodoh yang tidak lebih pintar dari lift. Robot yang cerdas biasanya
5

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

mempunyai perangkat sensor, seperti kamera, yang mengumpulkan informasi mengenai
operasi dan lingkungannya. Kemudian bagian AI robot tersebut menerjemahkan informasi
tadi dan merespon serta beradaptasi jika terjadi perubahan lingkungan.
Komputer Visi, merupakan kombinasi dari pencitraan, pengolahan citra,

pengenalan pola serta proses pengambilan keputusan. Tujuan utama dari komputer visi
adalah untuk menerjemahkan suatu pemandangan. Komputer visi banyak dipakai dalam
kendali kualitas produk industri.
Intelligent Tutoring/Intelligent Computer-Aided Instruction, adalah komputer

yang mengajari manusia. Belajar melalui komputer sudah lama digunakab, namun dengan
menambahkan aspek kecerdasan di dalamnya, dapat tercipta komputer “guru” yang dapat
mengatur teknik pengajarannya untuk menyesuaikan dengan kebutuhan “murid” secara
individiual. Sistem ini juga mendukung pembelajaran bagi orang yang mempunyai
kekurangan fisik atau kelemahan belajar.
Mesin Belajar (Machine Learning), yang berhubungan dengan sekumpulan metode

untuk mencoba mengajari/melatih komputer untuk memecahkan masalah atau mendukung
usaha pemecahan masalah dengan menganalisa kasus-kasus yang telah terjadi. Dua metode
mesin belajar yang paling populer adalah Komputasi Neural dan Logika Samar yang
akan dipelajari lebih dalam di bab-bab berikutnya.
Aplikasi lain dari AI misalnya untuk merangkum berita, pemrograman komputer
secara otomatis, atau menerjemahkan dari suatu bahasa ke bahasa yang lain, serta aplikasi
dalam permainan (Ingat pertandingan catur antara Grand Master Anatoly Karpov dengan
komputer Deep Thought dari IBM).

6

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

BAB II. SISTEM PAKAR
A. Pendahuluan
Ketika hendak membuat suatu keputusan yang komplek atau memecahkan masalah,
seringkali kita meminta nasehat atau berkonsultasi dengan seorang pakar atau ahli. Seorang
pakar adalah seseorang yang mempunyai pengetahuan dan pengalaman spesifik dalam

suatu bidang; misalnya pakar komputer, pakar uji tak merusak, pakar politik dan lain-lain.
Semakin tidak terstruktur situasinya, semakin mengkhusus (dan mahal) konsultasi yang
dibutuhkan.
Sistem Pakar (Expert System) adalah usaha untuk menirukan seorang pakar.

Biasanya Sistem Pakar berupa perangkat lunak pengambil keputusan yang mampu
mencapai tingkat performa yang sebanding seorang pakar dalam bidang problem yang
khusus dan sempit. Ide dasarnya adalah: kepakaran ditransfer dari seorang pakar (atau
sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam
komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu
komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya
seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasanalasannya. Sistem Pakar malahan terkadang lebih baik unjuk kerjanya daripada seorang
pakar manusia!
Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan spesifik

yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan
membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada nonpakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat
berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior.
Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke
komputer, kemudian ke orang lain (yang bukan pakar). Proses ini tercakup dalam rekayasa
pengetahuan (knowledge engineering) yang akan dibahas kemudian.

B. Manfaat dan Keterbatasan Sistem Pakar
1. Manfaat Sistem Pakar
Mengapa Sistem Pakar menjadi sangat populer? Hal ini disebabkan oleh sangat
banyaknya kemampuan dan manfaat yang diberikan oleh Sistem Pakar, di antaranya:
7

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

a. Meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih
cepat dari manusia.
b. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan
mengurangi kesalahan.
c. Mampu menangkap kepakaran yang sangat terbatas.
d. Dapat beroperasi di lingkungan yang berbahaya.
e. Memudahkan akses ke pengetahuan.
f. Handal. Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit.
Sistem Pakar juga secara konsisten melihat semua detil dan tidak akan
melewatkan informasi yang relevan dan solusi yang potensial.
g. Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem
Pakar dengan sistem komputer lain membuat lebih efektif, dan mencakup lebih
banyak aplikasi .
h. Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda
dengan sistem komputer konvensional, Sistem Pakar dapat bekerja dengan
inofrmasi yang tidak lengkap. Pengguna dapat merespon dengan: “tidak tahu”
atau “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi, dan Sistem
Pakar tetap akan memberikan jawabannya.
i. Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem
Pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi
sebagai guru.
j. Meningkatkan kemampuan problem solving, karena mengambil sumber
pengetahuan dari banyak pakar.
k. Meniadakan kebutuhan perangkat yang mahal.
l. Fleksibel.

2. Keterbatasan Sistem Pakar
Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif.
Berikut adalah keterbatasan yang menghambat perkembangan Sistem Pakar:
a. Pengetahuan yang hendak diambil tidak selalu tersedia.
b. Kepakaran sangat sulit diekstrak dari manusia.
c. Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbedabeda, meskipun sama-sama benar.
8

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

d. Adalah sangat sulit bagi seorang pakar untuk mengabstraksi atau menjelaskan
langkah mereka dalam menangani masalah
e. Pengguna Sistem Pakar mempunyai batas kognitif alami, sehingga mungkin
tidak bisa memanfaatkan sistem secara maksimal.
f. Sistem Pakar bekerja baik untuk suatu bidang yang sempit.
g. Banyak pakar yang tidak mempunyai jalan untuk mencek apakah kesimpulan
mereka benar dan masuk akal.
h. Istilah dan jargon yang dipakai oleh pakar dalam mengekspresikan fakta
seringkali terbatas dan tidak mudah dimengerti oleh orang lain.
i. Pengembangan Sistem Pakar seringkali membutuhkan perekayasa pengetahuan
(knowledge engineer) yang langka dan mahal.
j. Kurangnya rasa percaya pengguna menghalangi pemakaian Sistem Pakar.
k. Transfer pengetahuan dapat bersifat subyektif dan bias.

C. Komponen Sistem Pakar
Secara umum, Sistem Pakar biasanya terdiri atas beberapa komponen yang masingmasing berhubungan seperti terlihat pada Gambar II-1.
Basis Pengetahuan, berisi pengetahuan yang dibutuhkan untuk memahami,

memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar:
1. Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada,
serta teori dalam bidang itu
2. Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan
masalah yang spesifik dalam bidang yang khusus
Mesin Inferensi (Inference Engine), merupakan otak dari Sistem Pakar. Juga

dikenal sebagai penerjemah aturan (rule interpreter). Komponen ini berupa program
komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan
memformulasi kesimpulan. Kerja mesin inferensi meliputi:
1. Menentukan aturan mana akan dipakai
2. Menyajikan pertanyaan kepada pemakai, ketika diperlukan.
3. Menambahkan jawaban ke dalam memori Sistem Pakar.
4. Menyimpulkan fakta baru dari sebuah aturan
5. Menambahkan fakta tadi ke dalam memori.

9

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

Lingkungan Konsultasi
Pengguna
Fakta
spesifik

Lingkungan Pengembangan
Basis Pengetahuan:
Fakta
•
Aturan
•

Antarmuka
pemakai

Knowledge
engineer

Fasilitas
penjelasan

akuisisi
pengetahuan
Aksi yang
direkomendasi

Mesin
Inferensi

Papan tulis
(workplace)

Pengetahuan
pakar

Fasilitas
penjelas

Gambar II-1. Struktur skematis sebuah Sistem Pakar
Papan Tulis (Blackboard/Workplace), adalah memori/lokasi untuk bekerja dan

menyimpan hasil sementara. Biasanya berupa sebuah basis data.
Antarmuka Pemakai (User Interface). Sistem Pakar mengatur komunikasi antara

pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya
disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik.
Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).
Subsistem Penjelasan (Explanation Facility). Kemampuan untuk menjejak

(tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting
untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan
harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna,
misalnya:
1. “Mengapa pertanyaan tersebut anda tanyakan?”
2. “Seberapa yakin kesimpulan tersebut diambil?”
3. “Mengapa alternatif tersebut ditolak?”
4. “Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”
5. “Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”
Sistem Penghalusan Pengetahuan (Knowledge Refining System). Seorang pakar

mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri
performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk
konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat
10

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan, serta
memperbaiki basis pengetahuannya.

D. Pembangunan Sebuah Sistem Pakar
Mengembangkan Sistem Pakar dapat dilakukan dengan 2 cara:
1. Membangun sendiri semua komponen di atas, atau
2. Memakai semua komponen yang sudah ada kecuali isi basis pengetahuan.
Yang kedua disebut sebagai membangun Sistem Pakar dengan shell, yakni semua
komponen Sistem Pakar, kecuali basis pengetahuan, bersifat generik; sehingga dapat
dipakai untuk bidang yang berlainan. Membangun Sistem Pakar dengan shell dapat
dilakukan dengan lebih cepat dan lebih sedikit keterampilan memprogram, namun
berkurang fleksibilitasnya karena harus mengikuti kemampuan dari shell tersebut. Salah
satu shell Sistem Pakar yang populer dipakai adalah CLIPS (C Language Integrated
Production System) yang dapat didownload dari internet.

1. Pemilihan Masalah
Pembuatan Sistem Pakar membutuhkan waktu dan biaya yang banyak. Untuk
menghindari kegagalan yang memalukan dan kerugian yang besar, maka dibuat beberapa
pedoman untuk menentukan apakah Sistem Pakar cocok untuk memecahkan suatu problem:
a. Biaya yang diperlukan untuk pembangunan Sistem Pakar ditentukan oleh
kebutuhan untuk memperoleh solusi. Sehingga harus ada perhitungan yang
realistis untuk cost and benefit.
b. Pakar manusia tidak mudah ditemui untuk semua situasi di mana dia
dibutuhkan. Jika pakar pengetahuan tersebut terdapat di mana saja dan kapan
saja, maka pembangunan Sistem Pakar menjadi kurang berharga.
c. Problem yang ada dapat diselesaikan dengan teknik penalaran simbolik, dan
tidak membutuhkan kemampuan fisik.
d. Problem tersebut harus terstruktur dengan baik dan tidak membutuhkan terlalu
banyak pengetahuan awam (common sense), yang terkenal sulit untuk diakuisisi
dan dideskripsikan, dan lebih banyak berhubungan dengan bidang yang teknis.
e. Problem tersebut tidak mudah diselesaikan dengan metode komputasi yang
lebih tradisionil. Jika ada penyelesaian algoritmis yang bagus untuk problem
tersebut, maka kita tidak perlu memakai Sistem Pakar.
11

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

f. Ada pakar yang mampu memberikan penjelasan tentang kepakarannya serta
mau bekerjasama. Adalah sangat penting bahwa pakar yang dihubungi benarbenar mempunyai kemauan kuat untuk ikut berpartisipasi serta tidak merasa
pekerjaannya akan menjadi terancam.
g. Problem tersebut mempunyai sekup yang tepat. Biasanya merupakan problem
yang membutuhkan kepakaran yang sangat khusus namun hanya membutuhkan
seorang pakar untuk dapat menyelesaikannya dalam waktu yang relatif singkat
(misalnya paling lama 1 jam).

2. Rekayasa Pengetahuan (Knowledge Engineering)
Proses dalam rekayasa pengetahuan meliputi (Gambar II-2):
a. Akuisisi pengetahuan, yaitu bagaimana memperoleh pengetahuan dari pakar
atau sumber lain (sumber terdokumentasi, buku, sensor, file komputer, dll.).
b. Validasi pengetahuan, untuk menjaga kualitasnya misalnya dengan uji kasus.
c. Representasi pengetahuan, yaitu bagaimana mengorganisasi pengetahuan yang
diperoleh, mengkodekan dan menyimpannya dalam suatu basis pengetahuan.
d. Penyimpulan pengetahuan, menggunakan mesin inferensi yang mengakses basis
pengetahuan dan kemudian melakukan penyimpulan.
e. Transfer pengetahuan (penjelasan). Hasil inferensi berupa nasehat, rekomendasi,
atau jawaban, kemudian dijelaskan ke pengguna oleh subsistem penjelas.

Mulai

Sumber pengetahuan
(pakar, buku, file)
Akuisisi

Validasi
pengetahuan

pengetahuan

Penyajian
pengetahuan

pengkodean

Basis
pengetahuan

Inferensi/
penyimpulan

Penjelasan,
justifikasi

Gambar II-2. Proses dalam rekayasa pengetahuan

12

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

3. Partisipan Dalam Proses Pengembangan
Pakar, yaitu seseorang yang mempunyai pengetahuan, pengalaman, dan metode

khusus, serta mampu menerapkannya untuk memecahkan masalah atau memberi nasehat.
Pakar menyediakan pengetahuan tentang bagaimana nantinya Sistem Pakar bekerja.
Perekayasa

pengetahuan (knowledge engineer), yang membantu pakar untuk

menyusun area permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar
terhadap pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan contohcontoh yang berlawanan, kemudian menyusun basis pengetahuan.
Pengguna, yang mungkin meliputi: seorang klien non-pakar yang sedang

membutuhkan nasehat (Sistem Pakar sebagai konsultan atau advisor), seorang siswa yang
sedang belajar (Sistem Pakar sebagai instruktur), seorang pembuat Sistem Pakar yang
hendak meningkatkan basis pengetahuan (Sistem Pakar sebagai partner), seorang pakar
(Sistem Pakar sebagai kolega atau asisten, yang dapat memberikan opini kedua).
Partisipan lain, dapat meliputi: pembangun sistem (system builder), tool builder,
staf administrasi dsb.

4. Akuisisi Pengetahuan
Dalam proses akuisisi pengetahuan, seorang perekayasa pengetahuan menjembatani
antara pakar dengan basis pengetahuan. Perekayasa pengetahuan mendapatkan pengetahuan
dari pakar, mengolahnya bersama pakar tersebut, dan menaruhnya dalam basis
pengetahuan, dengan format tertentu. Pengambilan pengetahuan dari pakar dapat dilakukan
secara (Gambar II-3):
Manual, di mana perekayasa pengetahuan mendapatkan pengetahuan dari pakar

(melalui wawancara) dan/atau sumber lain, kemudian mengkodekannya dalam basis
pengetahuan. Proses ini biasanya berlangsung lambat, mahal, serta kadangkala tidak akurat.
Semi-otomatik, di mana terdapat peran komputer untuk: (1) mendukung pakar

dengan mengijinkannya membangun basis pengetahuan tanpa (atau dengan sedikit) bantuan
dari perekayasa pengetahuan, atau (2) membantu perekayasa pengetahuan sehingga
kerjanya menjadi lebih efisien dan efektif.
Otomatik, di mana peran pakar, perekayasa pengetahuan, dan pembangun basis

pengetahuan (system builder) digabung. Misalnya dapat dilakukan oleh seorang system
analyst seperti pada metode induksi.

13

Diktat Mata Kuliah Kecerdasan Buatan

Pakar

Ir. Balza Achmad, M.Sc.E.

edukasi
Knowledge
engineer

Pengetahuan
terdokumentasi

Basis
pengetahuan

(a)
pengkodean
Pakar

Wawancara
terbantukan
komputer

Basis
pengetahuan

Knowledge
engineer

(b)
Kasus & contoh
yang lalu

Sistem
induksi

Basis
pengetahuan

(c)
Gambar II-3. Metode akuisisi pengetahuan (a) manual
(b) akuisisi terkendali-pakar (c) induksi

E. Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, mereka harus diorganisasi dan diatur dalam
suatu konfigurasi dengan suatu format/representasi tertentu. Metode representasi
pengetahuan yang populer adalah aturan produk dan bingkai.

1. Aturan Produk (Production Rules)
Di sini pengetahuan disajikan dalam aturan-aturan yang berbentuk pasangan
keadaan-aksi (condition-action): “JIKA keadaan terpenuhi atau terjadi MAKA suatu aksi
akan terjadi”. Sistem Pakar yang basis pengetahuannya melulu disajikan dalam bentuk
aturan produk disebut sistem berbasis-aturan (rule-based system). Kondisi dapat terdiri atas
banyak bagian, demikian pula dengan aksi. Urutan keduanya juga dapat dipertukarkan
letaknya. Contohnya:
a. JIKA suhu berada di bawah 20ºC MAKA udara terasa dingin.
b. Udara terasa dingin JIKA suhu berada di bawah 20ºC.
c. JIKA suhu berada di bawah 20ºC ATAU suhu berada di antara 20-25ºC DAN
angin bertiup cukup kencang MAKA udara terasa dingin.
d. Contoh dari MYCIN, Sistem Pakar untuk mendiagnosis dan merekomendasikan
perlakuan yang tepat untuk infeksi darah tertentu:
14

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

IF the infection is pimary-bacteremia
AND the site of the culture is one of the sterile sites
AND the suspected portal of entry is the gastrointestinal tract
THEN there is suggestive evidence (0.7) that infection is bacteroid.

2. Bingkai (frame)
Bingkai adalah struktur data yang mengandung semua informasi/pengetahuan yang
relevan dari suatu obyek. Pengetahuan ini diorganisasi dalam struktur hirarkis khusus yang
memungkinkan pemrosesan pengetahuan. Bingkai merupakan aplikasi dari pemrograman
berorientasi obyek dalam AI dan Sistem Pakar. Pengetahuan dalam bingkai dibagi-bagi ke
dalam slot atau atribut yang dapat mendeskripsikan pengetahuan secara deklaratif ataupun
prosedural. Contoh frame untuk menggambarkan sebuah mobil diberikan dalam Gambar
II-4 berikut ini.

Bingkai Mobil

Bingkai Mesin

Nama pabrik:
Audi
Negara asal:
Jerman
Model:
5000 Turbo
Jenis mobil:
Sedan
Berat kosong:
1500 kg
Transmisi:
3-speed otomatik
Jumlah pintu:
4
Mesin:
(mengacu ke bingkai mesin)
Akselerasi:
(lampiran prosedural)
0-60: 10.4 detik
•
seperempat mil: 17.1 detik, 85 mph
•
Pemakaian bensin: (lampiran prosedural)
rata-rata 22 mpg
•

Lubang silinder:
Panjang silinder:
Rasio kompresi:
Sistem bahan-bakar:
turbocharger
Daya kuda:
Torque:

3.19 inci
3.4 inci
7.8 banding 1
injeksi
140 hp
160 kaki/pon

Gambar II-4. Bingkai pengetahuan untuk sebuah mobil

Contoh lain adalah bingkai untuk merepresentasikan pengetahuan mengenai gajah:
Mamalia
subkelas:
berdarah_panas:

Binatang
ya

Gajah
subkelas:
* warna:
* ukuran:

Mamalia
abu-abu
besar

Clyde
instance:
warna:
pemilik:

Gajah
merah_muda
Fred

Nellie:
instance:
ukuran:

Gajah
kecil

15

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

F. Bagaimana Sistem Pakar Melakukan Inferensi?
1. Sistem Perantaian Maju (Forward Chaining Systems)
Pada sistem perantaian maju, fakta-fakta dalam dalam sistem disimpan dalam
memori kerja dan secara kontinyu diperbarui. Aturan dalam sistem merepresentasikan aksiaksi yang harus diambil apabila terdapat suatu kondisi khusus pada item-item dalam
memori kerja, sering disebut aturan kondisi-aksi. Kondisi biasanya berupa pola yang cocok
dengan item yang ada di dalam memori kerja, sementara aksi biasanya berupa penambahan
atau penghapusan item dalam memori kerja.
Aktivitas sistem dilakukan berdasarkan siklus mengenal-beraksi (recognise-act).
Mula-mula, sistem mencari semua aturan yang kondisinya terdapat di memori kerja,
kemudian memilih salah satunya dan menjalankan aksi yang bersesuaian dengan aturan
tersebut. Pemilihan aturan yang akan dijalankan (fire) berdasarkan strategi tetap yang
disebut strategi penyelesain konflik. Aksi tersebut menghasilkan memori kerja baru, dan
siklus diulangi lagi sampai tidak ada aturan yang dapat dipicu (fire), atau goal (tujuan) yang
dikehendaki sudah terpenuhi.
Sebagai contoh, lihat pada sekumpulan aturan sederhana berikut (Di sini kita
memakai kata yang diawali huruf kapital untuk menyatakan suatu variabel. Pada sistem
lain, mungkin dipakai cara lain, misalnya menggunakan awalan ? atau ^):
1. JIKA (mengajar X)
DAN (mengoreksi_tugas X)
MAKA TAMBAH (terlalu_banyak_bekerja X)
2. JIKA (bulan maret)
MAKA TAMBAH (mengajar balza)
3. JIKA (bulan maret)
MAKA TAMBAH (mengoreksi_tugas balza)
4. JIKA (terlalu_banyak_bekerja X)
ATAU (kurang_tidur X)
MAKA TAMBAH (mood_kurang_baik X)
5. JIKA (mood_kurang_baik X)
MAKA HAPUS (bahagia X)
6. JIKA (mengajar X)
MAKA HAPUS (meneliti X)

Kita asumsikan, pada awalnya kita mempunyai memori kerja yang berisi fakta berikut:
(bulan maret)
(bahagia balza)
(meneliti balza)

Sistem Pakar mula-mula akan memeriksa semua aturan yang ada untuk mengenali aturan
manakah yang dapat memicu aksi, dalam hal ini aturan 2 dan 3. Sistem kemudian memilih
16

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

salah satu di antara kedua aturan tersebut dengan strategi penyelesaian konflik. Katakanlah
aturan 2 yang terpilih, maka fakta (mengajar balza) akan ditambahkan ke dalam memori
kerja. Keadaan memori kerja sekarang menjadi:
(mengajar balza)
(bulan maret)
(bahagia balza)
(meneliti balza)

Sekarang siklus dimulai lagi, dan kali ini aturan 3 dan 6 yang kondisinya terpenuhi.
Katakanlah aturan 3 yang terpilih dan terpicu, maka fakta (mengoreksi_tugas balza)
akan ditambahkan ke dalam memori kerja. Lantas pada siklus ketiga, aturan 1 terpicu,
sehingga variabel X akan berisi (bound to) balza, dan fakta (terlalu_banyak_bekerja
balza) ditambahkan, sehingga isi memori kerja menjadi:
(terlalu_banyak_bekerja balza)
(mengoreksi_tugas balza)
(mengajar balza)
(bulan maret)
(bahagia balza)
(meneliti balza)

Aturan 4 dan 6 dapat diterapkan. Misalkan aturan 4 yang terpicu, sehingga fakta
(mood_kurang_baik balza) ditambahkan. Pada siklus berikutnya, aturan 5 terpilih dan

dipicu, sehingga fakta (bahagia balza) dihapus dari memori kerja. Kemudian aturan 6
akan terpicu dan fakta (meneliti balza) dihapus pula dari memori kerja menjadi:
(mood_kurang_baik balza)
(terlalu_banyak_bekerja balza)
(mengoreksi_tugas balza)
(mengajar balza)
(bulan maret)

Urutan aturan yang dipicu bisa jadi sangat vital, terutama di mana aturan-aturan yang ada
dapat mengakibatkan terhapusnya item dari memori kerja. Tinjau kasus berikut: andaikan
terdapat tambahan aturan pada kumpulan aturan di atas, yaitu:
7. JIKA (bahagia X)
MAKA TAMBAH (memberi_nilai_bagus X)

Jika aturan 7 ini terpicu sebelum (bahagia balza) dihapus dari memori, maka Sistem
Pakar akan berkesimpulan bahwa saya akan memberi nilai bagus( 1 ). Namun jika aturan 5
terpicu dahulu, maka aturan 7 tidak akan dijalankan (artinya saya tidak akan memberi nilai
bagus).

1

Perhatian. Contoh ini tidak merefleksikan perilaku saya yang sebenarnya dalam mengajar, karena bagi
saya nilai tergantung dari bagus tidaknya pekerjaan dan tidak tergantung dari mood saya.

17

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

2. Strategi penyelesaian konflik (conflict resolution strategy)
Strategi penyelesaian konflik dilakukan untuk memilih aturan yang akan diterapkan
apabila terdapat lebih dari 1 aturan yang cocok dengan fakta yang terdapat dalam memori
kerja. Di antaranya adalah:
a. No duplication. Jangan memicu sebuah aturan dua kali menggunakan fakta/data
yang sama, agar tidak ada fakta yang ditambahkan ke memori kerja lebih dari
sekali.
b. Recency. Pilih aturan yang menggunakan fakta yang paling baru dalam memori
kerja. Hal ini akan membuat sistem dapat melakukan penalaran dengan
mengikuti rantai tunggal ketimbang selalu menarik kesimpulan baru
menggunakan fakta lama.
c. Specificity. Picu aturan dengan fakta prakondisi yang lebih spesifik (khusus)
sebelum aturan yang mengunakan prakondisi lebih umum. Contohnya: jika kita
mempunyai aturan “JIKA (burung X) MAKA TAMBAH (dapat_terbang X)”
dan “JIKA (burung X) DAN (pinguin X) MAKA TAMBAH (dapat_berenang
X)” serta fakta bahwa tweety adalah seekor pinguin, maka lebih baik memicu
aturan kedua dan menarik kesimpulan bahwa tweety dapat berenang.
d. Operation priority. Pilih aturan dengan prioritas yang lebih tinggi. Misalnya ada
fakta

(bertemu

kambing),

(ternak

kambing),

(bertemu

macan),

dan

(binatang_buas macan), serta dua aturan: “JIKA (bertemu X) DAN (ternak X)
MAKA TAMBAH (memberi_makan X)” dan “JIKA (bertemu X) DAN
(binatang_buas X) MAKA TAMBAH (melarikan_diri)”, maka kita akan
memilih aturan kedua karena lebih tinggi prioritasnya.

3. Sistem Perantaian Balik (Backward Chaining Systems)
Sejauh ini kita telah melihat bagaimana sistem berbasis aturan dapat digunakan
untuk menarik kesimpulan baru dari data yang ada, menambah kesimpulan ini ke dalam
memori kerja. Pendekatan ini berguna ketika kita mengetahui semua fakta awalnya, namun
tidak dapat menebak konklusi apa yang bisa diambil. Jika kita tahu kesimpulan apa yang
seharusnya, atau mempunyai beberapa hipotesis yang spesifik, maka perantaian maju di
atas menjadi tidak efisien. Sebagai contoh, jika kita ingin mengetahui apakah saya dalam
keadaan mempunyai mood yang baik sekarang, kemungkinan kita akan berulangkali
memicu aturan-aturan dan memperbarui memori kerja untuk mengambil kesimpulan apa
18

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

yang terjadi pada bulan Maret, atau apa yang terjadi jika saya mengajar, yang sebenarnya
perlu terlalu kita ambil pusing. Dalam hal ini yang diperlukan adalah bagaimana dapat
menarik kesimpulan yang relevan dengan tujuan atau goal( 2 ).
Hal ini dapat dikerjakan dengan perantaian balik dari pernyataan goal (atau
hipotesis yang menarik bagi kita). Jika diberikan sebuah goal yang hendak dibuktikan,
maka mula-mula sistem akan memeriksa apakah goal tersebut cocok dengan fakta-fakta
awal yang dimiliki. Jika ya, maka goal terbukti atau terpenuhi. Jika tidak, maka sistem akan
mencari aturan-aturan yang konklusinya (aksinya) cocok dengan goal. Salah satu aturan
tersebut akan dipilih, dan sistem kemudian akan mencoba membuktikan fakta-fakta
prakondisi aturan tersebut menggunakan prosedur yang sama, yaitu dengan menset
prakondisi tersebut sebagai goal baru yang harus dibuktikan.
Perhatikan bahwa pada perantaian balik, sistem tidak perlu memperbarui memori
kerja, namun perlu untuk mencatat goal-goal apa saja yang dibuktikan untuk membuktikan
goal utama (hipotesis).
Secara prinsip, kita dapat menggunakan aturan-aturan yang sama untuk perantaian
maju dan balik. Namun, dalam prakteknya, harus sedikit dimodifikasi. Pada perantaian
balik, bagian MAKA dalam aturan biasanya tidak diekspresikan sebagai suatu aksi untuk
dijalankan (misalnya TAMBAH atau HAPUS), tetapi suatu keadaan yang bernilai benar
jika premisnya (bagian JIKA) bernilai benar. Jadi aturan-aturan di atas diubah menjadi:
1. JIKA (mengajar X)
DAN (mengoreksi_tugas X)
MAKA (terlalu_banyak_bekerja X)
2. JIKA (bulan maret)
MAKA (mengajar balza)
3. JIKA (bulan maret)
MAKA (mengoreksi_tugas balza)
4. JIKA (terlalu_banyak_bekerja X)
ATAU (kurang_tidur X)
MAKA (mood_kurang_baik X)
5. JIKA (mood_kurang_baik X)
MAKA TIDAK BENAR (bahagia X)

dengan fakta awal:
(bulan maret)
(meneliti balza)

Misalkan kita hendak membuktikan apakah mood saya sedang kurang baik. Mulamula kita periksa apakah goal cocok dengan fakta awal. Ternyata tidak ada fakta awal yang

2

Metode ini sering disebut juga sistem terarah-tujuan (goal-driven).

19

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

menyatakan demikian, sehingga langkah kedua yaitu mencari aturan mana yang
mempunyai konklusi (mood_kurang_baik balza). Dalam hal ini aturan yang cocok
adalah aturan 4 dengan variabel X diisi dengan (bound to) balza. Dengan demikian kita
harus membuktikan bahwa prakondisi aturan ini, (terlalu_banyak_bekerja balza) atau
(kurang_tidur balza), salah satunya adalah benar (karena memakai ATAU). Lalu

diperiksa aturan mana yang dapat membuktikan bahwa adalah (terlalu_banyak_bekerja
balza)

benar, ternyata aturan 1, sehingga prakondisinya, (mengajar

X)

dan

(mengoreksi_tugas X), dua-duanya adalah benar (karena memakai DAN). Ternyata

menurut aturan 2 dan 3, keduanya bernilai bernilai benar jika (bulan maret) adalah benar.
Karena ini sesuai dengan fakta awal, maka keduanya bernilai benar. Karena semua goal
sudah terpenuhi maka goal utama (hipotesis) bahwa mood saya sedang kurang baik adalah
benar (terpenuhi).
Untuk mencatat goal-goal yang harus dipenuhi/dibuktikan, dapat digunakan stack
(tumpukan). Setiap kali ada aturan yang konklusinya cocok dengan goal yang sedang
dibuktikan, maka fakta-fakta prakondisi dari aturan tersebut ditaruh (push) ke dalam stack
sebagai goal baru. Dan setiap kali goal pada tumpukan teratas terpenuhi atau dapat
dibuktikan, maka goal tersebut diambil (pop) dari tumpukan. Demikian seterusnya sampai
tidak ada goal lagi di dalam stack, atau dengan kata lain goal utama (yang terdapat pada
tumpukan terbawah) sudah terpenuhi.

4. Pemilihan Sistem Inferensi
Secara umum kita dapat memakai panduan berikut untuk menentukan apakah kita
hendak memilih perantaian maju atau balik untuk Sistem Pakar yang kita bangun. Panduan
tersebut tercantum dalam Tabel II-1 berikut ini.
Tabel II-1. Panduan untuk memilih sistem inferensi

Perantaian Maju

Perantaian Balik

• Ada banyak hal yang hendak
dibuktikan

• Hanya akan membuktikan fakta
(hipotesis) tunggal

• Ada banyak aturan berbeda yang
dapat memberikan kesimpulan yang
sama

• Jika terdapat banyak aturan yang
memenuhi syarat untuk dipicu (fire)
pada suatu siklus

• Hanya sedikit fakta awal yang
dipunyai

• Terdapat banyak fakta awal

20

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

5. Ketidakpastian dalam Aturan
Sejauh ini kita menggunakan nilai kebenaran tegas dalam fakta dan aturan yang
dipakai, misalnya: jika terlalu banyak bekerja maka pasti mood kurang baik. Pada
kenyataanya, seringkali kita tidak bisa membuat aturan yang absolut untuk mengambil
kesimpulan secara pasti, misalnya: jika terlalu banyak bekerja maka kemungkinan besar
mood kurang baik. Untuk itu, seringkali aturan yang dipakai memiliki nilai kepastian
(certainty value). Contohnya: jika terlalu banyak bekerja maka pasti mood kurang baik
(kepastian 0,75).

G. Contoh Aplikasi Sistem Pakar
1. Aplikasi Sederhana: Sistem Pakar Bengkel Mobil
Ini adalah contoh Sistem Pakar sederhana, yang bertujuan untuk mencari apa yang
salah sehingga mesin mobil pelanggan yang tidak mau hidup, dengan memberikan gejalagejala yang teramati. Anggap Sistem Pakar kita memiliki aturan-aturan berikut:
1. JIKA mesin_mendapatkan_bensin
DAN starter_dapat_dihidupkan
MAKA ada_masalah_dengan_pengapian
2. JIKA TIDAK BENAR starter_dapat_dihidupkan
DAN TIDAK BENAR lampu_menyala
MAKA ada_masalah_dengan_aki
3. JIKA TIDAK BENAR starter_dapat_dihidupkan
DAN lampu_menyala
MAKA ada_masalah_dengan_starter
4. JIKA ada_bensin_dalam_tangki_bahan_bakar
MAKA mesin_mendapatkan_bensin

Terdapat 3 masalah yang mungkin, yaitu: ada_masalah_dengan_pengapian,
ada_masalah_dengan_aki dan ada_masalah_dengan_starter. Dengan sistem

terarah-tujuan (goal-driven), kita hendak membuktikan keberadaan setiap masalah tadi.
Pertama,

Sistem

Pakar

berusaha

untuk

membuktikan

kebenaran

ada_masalah_dengan_pengapian. Di sini, aturan 1 dapat digunakan, sehingga Sistem

Pakar akan menset goal baru untuk membuktikan apakah mesin_mendapatkan_bensin
serta starter_dapat_dihidupkan. Untuk membuktikannya, aturan 4 dapat digunakan,
dengan goal baru untuk membuktikan mesin_mendapatkan_bensin. Karena tidak ada
aturan lain yang dapat digunakan menyimpulkannya, sedangkan sistem belum memperoleh
solusinya, maka Sistem Pakar kemudian bertanya kepada pelanggan: “Apakah ada bensin
21

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

dalam tangki bahan bakar?”. Sekarang, katakanlah jawaban klien adalah “Ya”, jawaban ini

kemudian dicatat, sehingga klien tidak akan ditanyai lagi dengan pertanyaan yang sama.
Nah, karena sistem sekarang sudah dapat membuktikan bahwa mesin mendapatkan
bensin,

maka

sistem

sekarang

berusaha

mengetahui

apakah

starter_dapat_dihidupkan. Karena sistem belum tahu mengenai hal ini, sementara

tidak ada aturan lagi yang dapat menyimpulkannya, maka Sistem Pakar bertanya lagi ke
klien: “Apakah starter dapat dihidupkan?”. Misalkan jawabannya adalah “Tidak”, maka
tidak ada lagi aturan yang dapat membuktikan ada_masalah_dengan_pengapian,
sehingga Sistem Pakar berkesimpulan bahwa hal ini bukanlah solusi dari problem yang ada,
dan kemudian melihat hipotesis berikutnya: ada_masalah_dengan_aki. Sudah diketahui
(dibuktikan) bahwa mesin tidak dapat distarter, sehingga yang harus dibuktikan adalah
bahwa lampu tidak menyala. Sistem Pakar kemudian bertanya: “Apakah lampu menyala?”.
Misalkan jawabannya adalah “Tidak”, maka sudah terbukti bahwa ada masalah dengan aki.
Sistem ini mungkin berhenti sampai di sini, tetapi biasanya ada kemungkinan
terdapat lebih dari satu solusi (misalnya terdapat lebih dari satu kerusakan), atau ada
kemungkinan terdapat solusi lain yng lebih tepat, sehingga biasanya semua hipotesis
diperiksa kebenarannya. Sistem Pakar ini kemudian mencoba membuktikan bahwa
ada_masalah_dengan_starter, namun dari fakta yang sudah diperoleh, yaitu lampu

tidak menyala, maka pembuktiannya menjadi gagal. Dengan demikian solusi yang
diberikan oleh Sistem Pakar adalah ada masalah dengan aki.
Secara lengkap, interaksi antara Sistem Pakar dengan klien mungkin seperti ini:
System Pakar:
Klien:
System Pakar:
Klien:
System Pakar:
Klien:
System Pakar:

Apakah ada bensin dalam tangki bahan bakar?
Ya
Apakah starter dapat dihidupkan?
Tidak
Apakah lampu menyala?
Tidak
Saya berkesimpulan bahwa ada masalah dengan aki

Fasilitas Penjelasan

Kebanyakan Sistem Pakar mempunyai fasilitas penjelasan yang mengijinkan klien
untuk bertanya mengapa dia diberi suatu pertanyaan atau bagaimana dapat mencapai suatu
kesimpulan. Pertanyaan dari klien tersebut dijawab dengan mengacu pada goal, aturan yang
dipakai, dan data-data yang ada. Contoh pemakaian fasilitas penjelas dalam Sistem Pakar di
atas dapat dilihat pada percakapan berikut:
22

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

System Pakar:
Klien:
System Pakar:
Klien:
System Pakar:
Klien:
System Pakar:

Apakah ada bensin dalam tangki bahan bakar?
Ya
Apakah starter dapat dihidupkan?
Tidak
Apakah lampu menyala?
Mengapa?
Saya mencoba membuktikan bahwa ada masalah dengan aki.
Sudah ditunjukkan adalah tidak benar starter dapat dihidupkan.
Sehingga jika tidak benar bahwa lampu menyala, maka ada
masalah dengan aki.
Apakah lampu menyala?
Klien:
Tidak
System Pakar: Saya berkesimpulan bahwa ada masalah dengan aki
Klien:
Bagaimana bisa?
System Pakar: Hal ini sesuai dengan aturan no 2:
JIKA TIDAK BENAR starter_dapat_dihidupkan
DAN TIDAK BENAR lampu_menyala
MAKA ada_masalah_dengan_aki
bahwa tidak benar starter_dapat_dihidupkan sudah dijawab,
bahwa tidak benar lampu_menyala sudah dijawab,
sehingga dapat disimpulkan bahwa ada_masalah_dengan_aki.

Fasilitas penjelasan berhubungan dengan pencatatan aturan apa saja yang digunakan
untuk mengambil kesimpulan, dan menggunakan catatan tersebut untuk menyusun
penjelasan. Pembangkitan penjelasan sederhana seperti contoh di atas bukanlah persoalan
yang sulit, namun pemahaman klien terhadap penjelasan tersebut tidaklah sama, sehingga
seringkali klien tetap tidak mengerti maksudnya. Hal ini karena biasanya penjelasan hanya
meliputi pengetahuan yang dangkal atau hanya permukaan saja sebagaimana tercantum
dalam autran yang dipunyai, bukannya pengetahuan yang mendalam yang mendasari aturan
tersebut. Dalam contoh di atas, Sistem Pakar hanya mengatakan bahwa hal ini sesuai
dengan aturan no 2, tetapi tidak menjelaskan secara lebih detil mengenai aturan 2 tersebut.
Mungkin klien perlu diberi pengertian bahwa lampu dan starter dua-duanya menggunakan
aki untuk menyalakannya. Hal penting lain adalah ketika klien gagal mengerti atau
menerima penjelasan yang diberikan, biasanya Sistem Pakar tidak dapat memberi
penjelasan dengan cara lain (tidak begitu halnya dengan seorang pakar yang mampu
menggunakan kalimat yang lain untuk mencoba menjelaskannya).

2. Eliza
Eliza adalah salah satu Sistem Pakar yang paling awal dikembangkan. Ini adalah
program komputer terapis yang dibuat oleh Joseph Weizenbaum di MIT. Pengguna

23

Diktat Mata Kuliah Kecerdasan Buatan

Ir. Balza Achmad, M.Sc.E.

berkomunikasi dengannya sebagaimana sedang berkonsultasi dengan seorang terapis.
Berikut ini adalah contoh percakapan antara Eliza dengan seorang klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
Eliza:
Klien:
...

Hello. I am ELIZA. How can I help you?
My name is Balza.
I have told you before, I do not care about names.
I don’t have any money. That’s my problem.
Why do you say your problem?
Because you asked me.
Do any other reasons not come to mind?
No.
You are being a bit negative.
Why?
Please go on.
OK. I am bankrupt.
How long have you been bankrupt?
A year.
Please go on.
So, what should I do?
Does that question interest you?
Yes, how can I make big money?
You are sure?
Of course I’m sure.

3. Parry
Parry adalah Sistem Pakar yang juga paling awal dikembangkan di Stanford
University oleh seorang psikiater, Kenneth Colby, yang mensimulasikan seorang paranoid.
Berikut ini contoh respon Parry terhadap pertanyaan seorang psikiater yang
menginterviunya.
Psikiater:
Parry:
Psikiater:
Parry:
Psikiater:
Parry:
Psikiater:
Parry:
Psikiater:
Parry:
Psikiater:
Parry:
Psikiater:
Parry:
...

Why are you in the hospital?
I shouldn't be here.
Who brought you here?
The police.
What trouble did you have with the police?
Cops don't do their job.
What do they do instead?
Cops arrest the wrong people.
They arrest the right ones sometimes
The law should get those Italian crooks.
Are you Italian?
My background is British but I was born in this country.
Do you know any Italian crooks?
I try to avoid the underworld.

24